Αυτή η ανάρτηση γράφτηκε από κοινού με τον Dave Gowel, Διευθύνοντα Σύμβουλο της RallyPoint. Με τα δικά του λόγια, "RallyPoint είναι ένα διαδικτυακό κοινωνικό και επαγγελματικό δίκτυο για βετεράνους, μέλη της υπηρεσίας, μέλη της οικογένειας, φροντιστές και άλλους πολίτες υποστηρικτές των ενόπλων δυνάμεων των ΗΠΑ. Με δύο εκατομμύρια μέλη στην πλατφόρμα, η εταιρεία παρέχει ένα άνετο μέρος σε αυτόν τον πληθυσμό που αξίζει να συνδεθεί μεταξύ τους και προγράμματα που έχουν σχεδιαστεί για να τον υποστηρίξουν. "

Όλοι όσοι υπηρετούν –και όσοι τους υποστηρίζουν– αντιμετωπίζουν συχνά μια ποικιλία προκλήσεων απασχόλησης όταν ένας στρατιωτικός μεταβαίνει ξανά στην πολιτική ζωή. Η RallyPoint προσδιόρισε τη μεταβατική περίοδο στην επαγγελματική σταδιοδρομία ως μια σημαντική ευκαιρία για τη βελτίωση της ποιότητας ζωής αυτού του πληθυσμού, δημιουργώντας αυτοματοποιημένες και συναρπαστικές προτάσεις εργασίας. Ωστόσο, η ομάδα χρησιμοποιούσε ιστορικά μια μέθοδο επιμέλειας βάσει κανόνων για να προτείνει θέσεις εργασίας σε όλη την εμπειρία χρήστη, η οποία δεν επιτρέπει στα μέλη να λαμβάνουν προτάσεις εργασίας εξατομικευμένες για την ατομική τους εμπειρία, τεχνογνωσία και ενδιαφέροντα.

«Για να βελτιώσουμε αυτή την εμπειρία για τα μέλη του, εμείς στο RallyPoint θέλαμε να εξερευνήσουμε πώς θα μπορούσε να βοηθήσει η μηχανική εκμάθηση (ML). Δεν θέλουμε οι στρατιωτικοί μας, οι βετεράνοι και τα αγαπημένα τους πρόσωπα να σπαταλούν χρόνο αναζητώντας μια ολοκληρωμένη πολιτική καριέρα όταν αποφασίσουν να εγκαταλείψουν το στρατό. Θα πρέπει να είναι μια εύκολη διαδικασία. Θέλουμε τα μέλη μας να μας πουν για τις στρατιωτικές τους εμπειρίες, τυχόν σχολεία που έχουν παρακολουθήσει και τις προσωπικές τους προτιμήσεις. Στη συνέχεια, αξιοποιώντας όσα γνωρίζουμε από τα εκατομμύρια των στρατιωτικών και βετεράνων μελών μας, οι σχετικές ανοιχτές θέσεις εργασίας θα πρέπει να εμφανίζονται εύκολα στην επιφάνεια αντί να αναζητούνται επίπονα. Αυτή η δωρεάν υπηρεσία για τα μέλη μας αναμένεται επίσης να αυξήσει τα έσοδα κατά τουλάχιστον επτά νούμερα από εργοδότες που αναζητούν το κατάλληλο στρατιωτικό και βετεράνο ταλέντο, επιτρέποντάς μας να δημιουργήσουμε περισσότερες δωρεάν δυνατότητες για τα μέλη μας».

Αυτή η ανάρτηση ιστολογίου συνοψίζει πώς το Amazon Machine Learning Solution Lab (MLSL) συνεργάστηκε με το RallyPoint για να βελτιώσει κατά 35% τις εξατομικευμένες προτάσεις σταδιοδρομίας και μια αύξηση 66 φορές στην κάλυψη, μεταξύ άλλων βελτιώσεων για τα μέλη του RallyPoint από την τρέχουσα εφαρμογή που βασίζεται σε κανόνες.

«Το MLSL βοήθησε το RallyPoint να σώσει και να βελτιώσει τις ζωές της στρατιωτικής κοινότητας των ΗΠΑ. Έχοντας την τύχη να εργάζεται σε πολλαπλά σύνθετα και αποτελεσματικά έργα με το MLSL για να υποστηρίξει τους πιο άξιους πληθυσμούς, το RallyPoint επιτάχυνε την ανάπτυξη πολλαπλών βασικών οργανωτικών μετρήσεων στη διαδικασία. Το ταλέντο, η κουλτούρα και η εστίαση της MLSL στην υποβοήθηση της πραγματοποίησης μετρήσιμων και συναρπαστικών αποτελεσμάτων από επενδύσεις μηχανικής μάθησης μας επέτρεψαν να μειώσουμε τον κίνδυνο αυτοκτονίας, να βελτιώσουμε τη μετάβαση σταδιοδρομίας και να επιταχύνουμε σημαντικές συνδέσεις για τα μέλη των υπηρεσιών μας, τους βετεράνους και τις οικογένειές τους.

Οι ακόλουθες ενότητες καλύπτουν τις επιχειρηματικές και τεχνικές προκλήσεις, την προσέγγιση που ακολουθούν οι ομάδες AWS και RallyPoint και την απόδοση της εφαρμοσμένης λύσης που αξιοποιεί Προσαρμογή του Amazon.

Το Amazon Personalize διευκολύνει τους προγραμματιστές να δημιουργήσουν εφαρμογές ικανές να προσφέρουν ένα ευρύ φάσμα εμπειριών εξατομίκευσης, συμπεριλαμβανομένων συγκεκριμένων προτάσεων προϊόντων, εξατομικευμένης ανακατάταξης προϊόντων και προσαρμοσμένου άμεσου μάρκετινγκ. Το Amazon Personalize είναι μια πλήρως διαχειριζόμενη υπηρεσία ML που υπερβαίνει τα άκαμπτα, στατικά συστήματα συστάσεων που βασίζονται σε κανόνες, εκπαιδεύοντας, ρυθμίζοντας και αναπτύσσοντας προσαρμοσμένα μοντέλα ML για την παροχή εξαιρετικά προσαρμοσμένων συστάσεων σε πελάτες σε κλάδους όπως το λιανικό εμπόριο, τα μέσα ενημέρωσης και η ψυχαγωγία.

Επιχειρηματικές και Τεχνικές προκλήσεις

Πολλές επιχειρηματικές προκλήσεις ενέπνευσαν αυτή τη συνεργασία. Το πιο σημαντικό ήταν η αναλογία κλικ προς αριθμό εμφανίσεων στις 10 κορυφαίες προτεινόμενες εργασίες στον ιστότοπο του RallyPoint. Το RallyPoint ανέλυσε την αφοσίωση των χρηστών στην πλατφόρμα του και ανακάλυψε ότι έπρεπε να αυξήσουν τον αριθμό των σχετικών εργασιών στις οποίες κάνουν κλικ οι χρήστες. Η ιδέα είναι ότι όσο πιο σχετική είναι μια συνιστώμενη θέση εργασίας, τόσο μεγαλύτερη είναι η πιθανότητα των μελών να υποβάλουν αίτηση σε αυτές τις θέσεις εργασίας, οδηγώντας σε βελτιωμένα αποτελέσματα απασχόλησης.

Η επόμενη πρόκληση ήταν να αυξηθεί η δέσμευση των μελών στις υπηρεσίες εργασίας που προσφέρονται στον ιστότοπο. Το RallyPoint προσφέρει την ευκαιρία στους ανθρώπους να «χτίσουν το brand σας και να εμπλακούν στη στρατιωτική κοινότητα, να διαφημίσουν τα προϊόντα και τις υπηρεσίες σας, να πραγματοποιήσουν εκστρατείες μάρκετινγκ προσλήψεων, να δημοσιεύσουν θέσεις εργασίας και να αναζητήσουν ταλέντα βετεράνων». Εντόπισαν για άλλη μια φορά την ευκαιρία να εφαρμόσουν το AWS Personalize για να βοηθήσουν περισσότερους ανθρώπους να μεταβούν στην πολιτική ζωή και προσπάθησαν να βελτιώσουν τους αριθμούς μετατροπών κλικ σε πελάτη, οδηγώντας σε καλύτερα αποτελέσματα για τους άμεσους πελάτες του RallyPoint.

Από τεχνική άποψη, όπως πολλά παραδοσιακά προβλήματα συστήματος συστάσεων, η σπανιότητα των δεδομένων και η μακριά ουρά ήταν μια πρόκληση που έπρεπε να ξεπεραστεί. Το δείγμα δείγματος αποπροσδιορισμένων, ήδη κοινοποιημένων δεδομένων περιελάμβανε χιλιάδες ανώνυμα προφίλ χρηστών, με περισσότερα από πενήντα σημεία μεταδεδομένων χρηστών, αλλά πολλά είχαν ασυνεπή ή λείπουν πληροφορίες μεταδεδομένων/προφίλ. Για να το αντιμετωπίσει αυτό, η ομάδα χρησιμοποίησε τη λειτουργία σύστασης ψυχρής εκκίνησης Amazon Personalize για σχετικούς χρήστες.

Επισκόπηση λύσεων

Για να λύσει το πρόβλημα, η MLSL συνεργάστηκε με το RallyPoint για την κατασκευή ενός προσαρμοσμένου αγωγού Amazon Personalize για το RallyPoint. Μερικές από τις υπηρεσίες που χρησιμοποιούνται περιλαμβάνουν Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3), Παρουσίες φορητών υπολογιστών Amazon SageMakerκαι Amazon Personalize. Το παρακάτω διάγραμμα απεικονίζει την αρχιτεκτονική λύσης.

Τα ανώνυμα ακατέργαστα δεδομένα που χρησιμοποιήθηκαν για τη λύση αποτελούνταν από ένα ιστορικό αλληλεπιδράσεων με αγγελίες εργασίας μαζί με μεταδεδομένα σε προφίλ χρηστών και θέσεις εργασίας. Αυτό ήταν αποθηκευμένο στο S3. Η ομάδα MLSL χρησιμοποίησε Παρουσίες φορητών υπολογιστών Amazon SageMaker για να προετοιμάσει δεδομένα ως δεδομένα εισόδου στο Amazon Personalize. Αυτό το βήμα περιελάμβανε προεπεξεργασία δεδομένων, μηχανική λειτουργιών και δημιουργία ομάδων δεδομένων και σχημάτων που απαιτούνται για το Amazon Personalize. Για περισσότερες πληροφορίες ανατρέξτε στο Δημιουργία μιας προσαρμοσμένης ομάδας δεδομένων.

Το επόμενο βήμα ήταν να δημιουργήσετε μια λύση στο Amazon Personalize. Μια λύση αναφέρεται στον συνδυασμό μιας συνταγής Amazon Personalize, προσαρμοσμένων παραμέτρων και μιας ή περισσότερων εκδόσεων λύσης. Για περισσότερες πληροφορίες ανατρέξτε στο Δημιουργία λύσης. Η ομάδα χρησιμοποίησε το Συνταγή εξατομίκευσης χρήστη για τη δημιουργία προτάσεων εργασίας για συγκεκριμένους χρήστες για χρήστες σε ένα σύνολο επικύρωσης. Τα αποτελέσματα του Amazon Personalize, συμπεριλαμβανομένων των προτάσεων εργασίας και των μετρήσεων απόδοσης, αποθηκεύονται σε έναν κάδο Amazon S3 για περαιτέρω ανάλυση.

Στο τελικό βήμα, η ομάδα χρησιμοποίησε ένα παράδειγμα σημειωματάριου για να προετοιμάσει τις συστάσεις εξόδου για εξωτερική αξιολόγηση από ανθρώπινους σχολιαστές, όπως περιγράφεται στο Χρήση Domain Experts τμήμα.

Αξιολόγηση των αποτελεσμάτων του Amazon Personalize

Η απόδοση μιας έκδοσης λύσης Amazon Personalize μπορεί να αξιολογηθεί χρησιμοποιώντας μετρήσεις εκτός σύνδεσης, διαδικτυακές μετρήσεις, να Α / Β δοκιμές. Οι μετρήσεις εκτός σύνδεσης σάς επιτρέπουν να βλέπετε τα αποτελέσματα της τροποποίησης υπερπαραμέτρων και αλγορίθμων που χρησιμοποιούνται για την εκπαίδευση των μοντέλων σας, υπολογιζόμενα βάσει ιστορικών δεδομένων. Οι διαδικτυακές μετρήσεις είναι τα εμπειρικά αποτελέσματα που παρατηρούνται στις αλληλεπιδράσεις του χρήστη σας με προτάσεις σε πραγματικό χρόνο που παρέχονται σε ζωντανό περιβάλλον (όπως η αναλογία κλικ προς αριθμό εμφανίσεων). Η δοκιμή A/B είναι μια διαδικτυακή μέθοδος σύγκρισης της απόδοσης πολλαπλών εκδόσεων λύσης με μια προεπιλεγμένη λύση. Οι χρήστες κατανέμονται τυχαία είτε στην ομάδα ελέγχου (προεπιλογή) είτε σε μία από τις ομάδες θεραπείας (δοκιμής). Οι χρήστες της ομάδας ελέγχου λαμβάνουν συστάσεις από την προεπιλεγμένη λύση (βασική γραμμή), ενώ κάθε μία από τις ομάδες θεραπείας αλληλεπιδρά με διαφορετική έκδοση λύσης. Οι δοκιμές στατιστικής σημασίας χρησιμοποιούνται για τη σύγκριση των μετρήσεων απόδοσης (όπως η αναλογία κλικ προς αριθμό εμφανίσεων ή ο λανθάνοντας χρόνος) και οι μετρήσεις των επιχειρήσεων (όπως τα έσοδα) με αυτές της προεπιλεγμένης λύσης.

Το Amazon Personalize μετρά μετρήσεις εκτός σύνδεσης κατά την εκπαίδευση μιας έκδοσης λύσης. Η ομάδα χρησιμοποίησε μετρήσεις εκτός σύνδεσης, όπως Μέση αμοιβαία κατάταξη (MRR), κανονικοποιημένο προεξοφλημένο σωρευτικό κέρδος (NCDG@k), Precision@k και Κάλυψη. Για τους ορισμούς όλων των διαθέσιμων μετρήσεων εκτός σύνδεσης, ανατρέξτε στο Μετρικοί ορισμοί.

Παρόλο που το Amazon Personalize παρέχει μια εκτενή λίστα με μετρήσεις εκτός σύνδεσης που μπορεί να χρησιμοποιήσει η ομάδα για να μετρήσει αντικειμενικά την απόδοση των λύσεων κατά τη διάρκεια της εκπαίδευσης, συνιστώνται διαδικτυακές μετρήσεις και δοκιμές A/B για την παρακολούθηση και την επικύρωση της απόδοσης του μοντέλου. Μια προειδοποίηση σε αυτές τις δοκιμές είναι ότι απαιτούν από τους χρήστες να αλληλεπιδρούν με τις προτάσεις του Amazon Personalize σε πραγματικό χρόνο. Επειδή το μοντέλο RallyPoint Amazon Personalize δεν είχε αναπτυχθεί πριν από αυτήν τη δημοσίευση, η ομάδα δεν είχε αποτελέσματα για αναφορά για αυτές τις δοκιμές.

Χρήση Domain Experts

Η δοκιμή A/B είναι η προτιμώμενη μέθοδος για την ανάλυση της ποιότητας ενός συστήματος συστάσεων, ωστόσο, η χρήση ειδικών τομέα για τον σχολιασμό των συστάσεων είναι ένας βιώσιμος πρόδρομος. Δεδομένου ότι οι διαδικτυακές δοκιμές δεν ήταν μια επιλογή, για να ελέγξει την ευρωστία των προτάσεων, η ομάδα ζήτησε από τους ειδικούς τομέα στο RallyPoint να σχολιάσουν τις προτάσεις που δημιουργούνται από τα μοντέλα και να μετρήσουν τον αριθμό των θέσεων εργασίας που συμφώνησαν οι ειδικοί να προτείνονται (δεδομένων των πληροφοριών ενός χρήστη και υποδεικνύονται προτιμήσεις) όπως το αριθμός «σωστών» συστάσεων. Αυτή η μέτρηση χρησιμοποιήθηκε για τη σύγκριση εκδόσεων λύσεων. ΕΝΑ λύση δημοτικότητας (τα τρέχοντα κριτήρια που βασίζονται σε κανόνες) χρησιμοποιήθηκε ως βάση που συνίστατο στη σύσταση των κορυφαίων πέντε πιο δημοφιλών θέσεων εργασίας σε κάθε χρήστη. Επιπλέον, μια λύση με προεπιλεγμένες ρυθμίσεις χρησιμοποιήθηκε ως ένα άλλο βασικό μοντέλο που ονομάζεται Λύση βάσης Amazon Personalize.

Αποτελέσματα

Η χρήση του μοντέλου με την καλύτερη απόδοση οδήγησε σε βελτίωση κατά 35% στον αριθμό των «σωστών» προτάσεων σε σχέση με τη βασική λύση εξατομίκευσης του Amazon και σε βελτίωση κατά 54% σε σχέση με τη λύση δημοτικότητας. Η ομάδα θα μπορούσε επίσης να επιτύχει 66 φορές βελτίωση στην κάλυψη, 30 φορές βελτίωση στο MRR και 2 φορές βελτίωση στην ακρίβεια@10 σε σύγκριση με τη λύση δημοτικότητας. Εκτός από τη λύση δημοτικότητας, η ομάδα παρατήρησε έως και 2 φορές αύξηση του MRR και του precision@10 σε σύγκριση με τη λύση βάσης Amazon Personalize.

Χαρακτηριστικά

Η RallyPoint αναγνώρισε μια ευκαιρία να εξυπηρετήσει καλύτερα τους πελάτες της με πιο εξατομικευμένες προτάσεις σταδιοδρομίας. Ξεκίνησαν το ταξίδι εξατομίκευσης των χρηστών έχοντας κατά νου την εμμονή των πελατών, σε συνεργασία με το Machine Learning Solutions Lab. Το RallyPoint έχει τώρα την ευκαιρία να δώσει στους χρήστες του πιο πολύτιμες συστάσεις σταδιοδρομίας, μέσω αυτής της λύσης. Η ενσωμάτωση αυτού του βελτιωμένου συστήματος συστάσεων στον ιστότοπό τους θα έχει ως αποτέλεσμα οι χρήστες του RallyPoint να βλέπουν περισσότερες σχετικές θέσεις εργασίας στη ροή της καριέρας τους, διευκολύνοντας το δρόμο για πιο ικανοποιητικές σταδιοδρομίες και βελτιωμένη ποιότητα ζωής για τα μέλη τους.

Χρήση Προσαρμογή του Amazon για να παρέχετε μια εξατομικευμένη εμπειρία στους χρήστες σας σήμερα! Εάν θέλετε να συνεργαστείτε με ειδικούς για να φέρετε λύσεις ML στον οργανισμό σας, επικοινωνήστε με το Εργαστήριο Amazon ML Solutions.

Επιπρόσθετο υλικό

Για περισσότερες πληροφορίες σχετικά με την Εξατομίκευση Amazon, δείτε τα εξής:

---

Σχετικά με τους Συγγραφείς

Dave Gowel είναι βετεράνος του Στρατού και Διευθύνων Σύμβουλος της RallyPoint. Ο Dave είναι απόφοιτος του West Point και της Σχολής Ranger του Στρατού των ΗΠΑ, υπηρέτησε στο Ιράκ ως επικεφαλής διμοιρίας αρμάτων μάχης και δίδαξε ως βοηθός καθηγητής στο πρόγραμμα ROTC του Ινστιτούτου Τεχνολογίας της Μασαχουσέτης. Η RallyPoint είναι η τρίτη εταιρεία τεχνολογίας για την οποία ο Dave ήταν Διευθύνων Σύμβουλος.

Ματθαίος Ρόδος είναι Επιστήμονας Δεδομένων που εργάζεται στο Amazon ML Solutions Lab. Ειδικεύεται στην κατασκευή αγωγών μηχανικής μάθησης που περιλαμβάνουν έννοιες όπως η επεξεργασία φυσικής γλώσσας και η όραση υπολογιστή.

Αμίν Τατζγκαρντούν είναι Εφαρμοσμένος Επιστήμονας στο Amazon ML Solutions Lab. Έχει εκτεταμένο υπόβαθρο στην επιστήμη των υπολογιστών και τη μηχανική μάθηση. Συγκεκριμένα, η εστίαση του Amin ήταν στη βαθιά μάθηση και πρόβλεψη, στις μεθόδους επεξήγησης πρόβλεψης, στην ανίχνευση μετατόπισης μοντέλων, στα πιθανοτικά παραγωγικά μοντέλα και στις εφαρμογές της τεχνητής νοημοσύνης στον τομέα της υγειονομικής περίθαλψης.

Γιας Σαχ είναι Επιστημονικός Διευθυντής στο Amazon ML Solutions Lab. Αυτός και η ομάδα του από εφαρμοσμένους επιστήμονες και μηχανικούς μηχανικής μάθησης εργάζονται σε μια σειρά περιπτώσεων χρήσης μηχανικής μάθησης από την υγειονομική περίθαλψη, τον αθλητισμό, την αυτοκινητοβιομηχανία και την κατασκευή.

Βάμσι Κρίσνα Εναμποθάλα είναι Sr. Applied AI Specialist Architect στο AWS. Συνεργάζεται με πελάτες από διαφορετικούς τομείς για να επιταχύνει πρωτοβουλίες δεδομένων, αναλύσεων και μηχανικής μάθησης υψηλού αντίκτυπου. Είναι παθιασμένος με τα συστήματα συστάσεων, το NLP και τους τομείς όρασης υπολογιστών στο AI και ML. Εκτός δουλειάς, ο Vamshi είναι λάτρης του RC, κατασκευάζει εξοπλισμό RC (αεροπλάνα, αυτοκίνητα και drones) και του αρέσει επίσης η κηπουρική.

Γκρεγκ Τόλμι είναι Διαχειριστής λογαριασμού στην ομάδα συνεργατών AWS Public Sector ISV. Ο Greg υποστηρίζει ένα χαρτοφυλάκιο συνεργατών ISV του δημόσιου τομέα AWS για να τους βοηθήσει να αναπτύξουν και να ωριμάσουν την υιοθέτηση των υπηρεσιών AWS μεγιστοποιώντας παράλληλα τα οφέλη του δικτύου συνεργατών AWS.

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• Minting the Future με την Adryenn Ashley. Πρόσβαση εδώ.
• πηγή: https://aws.amazon.com/blogs/machine-learning/how-rallypoint-and-aws-are-personalizing-job-recommendations-to-help-military-veterans-and-service-providers-transition-back-into-civilian-life-using-amazon-personalize/